欒鑫鑫, 翟 晨, 安煥炯, 錢承敬, 史曉梅, 王文秀, 胡利明*

1. 北京工業(yè)大學(xué)環(huán)境與生命學(xué)部, 北京 100124

2. 中糧營(yíng)養(yǎng)健康研究院, 營(yíng)養(yǎng)健康與食品安全北京市重點(diǎn)實(shí)驗(yàn)室, 北京 102209

3. 河北農(nóng)業(yè)大學(xué)食品科技學(xué)院, 河北 保定 071001

引 言

我國(guó)是大米生產(chǎn)大國(guó), 大米種植區(qū)域廣, 由于產(chǎn)地的氣候、 水質(zhì)、 土壤等因素不同使得大米中各種物質(zhì)的含量和成分存在差異, 如五常大米因其獨(dú)特的地理環(huán)境使其干物質(zhì)積累多, 直鏈淀粉含量適中, 支鏈淀粉及雙鏈糖含量較高, 具有較高的營(yíng)養(yǎng)價(jià)值及優(yōu)良的口感, 在市場(chǎng)上成為地理標(biāo)識(shí)產(chǎn)品, 占有優(yōu)勢(shì)的銷售價(jià)格[1-4]。 但由于缺乏快速鑒別大米產(chǎn)地的確證技術(shù), 致使大米產(chǎn)地假冒現(xiàn)象泛濫, 嚴(yán)重?fù)p害了消費(fèi)者的利益, 因此開發(fā)大米產(chǎn)地快速鑒別技術(shù)尤為重要。

目前, 電子鼻和電子舌指紋分析技術(shù)[5]、 礦物質(zhì)元素分析方法[1, 4]及DNA指紋圖譜技術(shù)[5]都是大米產(chǎn)地鑒別的常用方法。 這些分析技術(shù)相對(duì)成熟, 精度較高, 但存在時(shí)間長(zhǎng)、 前處理繁瑣、 環(huán)境污染、 對(duì)檢驗(yàn)人員要求高等一系列缺點(diǎn)。

與理化檢測(cè)方法相比, 分子光譜法具有快速、 無污染、 多組分同時(shí)檢測(cè)等優(yōu)點(diǎn)。 譜帶波峰的位置、 數(shù)目及強(qiáng)度反映了內(nèi)部分子結(jié)構(gòu)的特點(diǎn)及含量, 利用分子光譜技術(shù)結(jié)合化學(xué)計(jì)量分析方法是一種常用的產(chǎn)地確證檢測(cè)技術(shù)。 劉曉歡等[6]采用中紅外光譜結(jié)合偏最小二乘判別分析(partial least-squares discrimination analysis, PLS-DA)和K近鄰算法(K nearesu neighbor, KNN)對(duì)吉林、 遼寧、 江蘇及浙江四個(gè)產(chǎn)地的大米樣品建立產(chǎn)地鑒別模型, 結(jié)果顯示, PLS-DA最優(yōu)模型驗(yàn)證集正確率為92.29%, KNN最優(yōu)模型驗(yàn)證集正確率高達(dá)94.27%。 沙敏等[7]采用拉曼光譜結(jié)合聚類分析、 相對(duì)標(biāo)準(zhǔn)偏差分析及支持向量機(jī)算法, 將大米產(chǎn)地鑒別模型識(shí)別正確率提高了12.89%。 研究表明, 利用光譜信息建立大米產(chǎn)地鑒別模型是可行的, 但對(duì)復(fù)雜的樣品分類鑒別, 由于采用單一光譜信息建立模型存在片面性, 模型識(shí)別準(zhǔn)確率往往不能達(dá)到100%, 不能滿足對(duì)大米產(chǎn)地快速準(zhǔn)確鑒別的需求。

研究發(fā)現(xiàn), 將不同信息源結(jié)合增加信息維度, 可以獲得更為全面精準(zhǔn)的特征信息, 從而提高整個(gè)系統(tǒng)的性能和鑒別的準(zhǔn)確度, 因此信息融合技術(shù)在產(chǎn)地確證方面有著較大優(yōu)勢(shì)。 杜夢(mèng)佳等[8]采用紅外光譜和氣相色譜-質(zhì)譜聯(lián)用的方法對(duì)大米產(chǎn)地鑒別分析, 將特征光譜信息和揮發(fā)性組分信息融合結(jié)合PLS算法建立大米產(chǎn)地鑒別模型。 結(jié)果表明, 信息融合模型的識(shí)別準(zhǔn)確率較單一光譜模型和揮發(fā)性物質(zhì)模型分別提高了4.5%和8.5%。 信息融合技術(shù)在大米產(chǎn)地確證領(lǐng)域應(yīng)用較少, 目前未檢索到關(guān)于近紅外光譜-中紅外光譜-拉曼光譜信息融合的大米產(chǎn)地鑒別研究的報(bào)道。 近紅外光譜、 中紅外光譜及拉曼光譜由于波長(zhǎng)和機(jī)理不同反映了分子不同的振動(dòng)信息, 近紅外光譜主要記錄含氫集團(tuán)振動(dòng)的倍頻和合頻吸收, 而中紅外光譜為分子基頻振動(dòng)光譜, 紅外光譜容易測(cè)定鏈上的取代基, 而拉曼光譜譜峰相對(duì)較尖銳且能獲得600 cm-1以下的譜圖信息, 可以檢測(cè)與對(duì)稱中心有對(duì)稱關(guān)系的分子, 容易表征碳鏈振動(dòng), 適合研究高分子的骨架結(jié)構(gòu)[9]。 三種光譜均為重要的檢測(cè)手段, 具有差異性和互補(bǔ)性, 3種光譜法相互配合補(bǔ)充可以獲得更多的樣品特征信息。

利用近紅外光譜法、 中紅外光譜法及拉曼光譜法結(jié)合化學(xué)計(jì)量分析方法對(duì)來自五常地區(qū)、 東北地區(qū)和南方地區(qū)共計(jì)186份大米樣品進(jìn)行產(chǎn)地鑒別研究。 首先比較了K近鄰算法(K nearest neighbor, KNN)[12-13]、 線性判別分析(linear discriminant analysis, LDA)算法[13-14]及最小二乘-支持向量機(jī)(least squares-support vector machine, LS-SVM)算法[15]3種化學(xué)計(jì)量分析方法結(jié)合5種預(yù)處理方法對(duì)3種單一光譜法鑒別模型的識(shí)別效果。 為進(jìn)一步提高模型的準(zhǔn)確度, 建立了基于近紅外光譜-中紅外光譜-拉曼光譜的數(shù)據(jù)層融合、 特征層融合及決策層融合的大米產(chǎn)地鑒別模型, 具體流程見圖1。

圖1 實(shí)驗(yàn)流程圖

1 實(shí)驗(yàn)部分

1.1 材料

實(shí)驗(yàn)用大米樣品共186份, 其中五常大米36份, 均采集于黑龍江省哈爾濱市五常市, 品種為稻花香2號(hào)粳米; 東北大米108份, 采集于黑龍江省(牡丹市、 哈爾濱市非五常地區(qū)、 寧安市, 雞西市)、 吉林省(德惠市、 吉林市)、 遼寧省(沈陽市、 朝陽市), 品種均為粳米; 南方大米42份, 采集于江蘇省(南通市、 泰州市)、 廣東省(深圳市、 東菀市), 品種均為粳米。

1.2 儀器

傅里葉變換近紅外光譜儀(MPAⅡ), 德國(guó)布魯克(北京)有限公司; 傅里葉變換中紅外光譜儀(NICOLET IS50), 賽默飛世爾科技(中國(guó))有限公司; 智能DXR拉曼光譜儀, 賽默飛世爾科技(中國(guó))有限公司; 粉碎機(jī), 德國(guó)IKA/艾卡(廣州)儀器設(shè)備有限公司; 粉末壓機(jī)(BJ-15), 天津博君科技有限公司。

1.3 樣品處理

大米樣品經(jīng)粉碎機(jī)研磨成粉末通過100目篩, 篩過的樣品放入樣品瓶, 不要擠壓樣品, 以保持蓬松和良好的混合度以供近紅外光譜儀測(cè)試。 準(zhǔn)確稱取100 mg大米粉末樣品, 在20 MPa壓力下放置5 min壓成片, 每個(gè)樣品壓6個(gè)片待中紅外和拉曼光譜儀檢測(cè)使用, 如圖1所示。 采集樣品光譜時(shí), 環(huán)境溫度為室溫(25±1) ℃, 均對(duì)樣品進(jìn)行三次掃描求平均以減少噪聲干擾。

1.4 光譜采集

1.4.1 近紅外光譜采集

取不少于樣品杯1/3體積的大米粉末樣品, 采用積分球漫反射模式, 分辨率為16 cm-1, 樣品掃描次數(shù)為64次, 樣品厚度為2 cm, 掃描譜區(qū)波數(shù)為3 600～12 500 cm-1。

1.4.2 中紅外光譜采集

采用衰減全反射(attenuated total reflection, ATR)模式, 掃描次數(shù)為32次, 分辨率為4 cm-1, 掃描譜區(qū)波數(shù)為500～4 000 cm-1。

1.4.3 拉曼光譜采集

拉曼光譜儀的波長(zhǎng)為780 nm, 激光能量為24 mW, 積分時(shí)間為16 s, 積分次數(shù)為10次, 樣品掃描譜區(qū)波數(shù)為50～3 500 cm-1。

1.5 大米產(chǎn)地鑒別模型的建立

1.5.1 光譜數(shù)據(jù)預(yù)處理

由于樣品顆粒大小和均勻性不同, 采集到的原始光譜包含了熒光背景、 探測(cè)器噪聲和激光功率波動(dòng)等干擾信息。 對(duì)近紅外光譜、 中紅外光譜及拉曼光譜原始數(shù)據(jù)均使用5種預(yù)處理方法消除干擾信息, 如標(biāo)準(zhǔn)歸一化(standard normal variable, SNV)、 一階微分(1st)、 二階微分(2nd)以及疊加預(yù)處理方法(SNV+1st, SNV+2nd), 選取大米產(chǎn)地鑒別最優(yōu)模型。

由于預(yù)處理后的光譜數(shù)據(jù)分類特征不突出, 需對(duì)其進(jìn)行特征波長(zhǎng)的篩選使數(shù)據(jù)降維, 故使用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)采樣法[10](competitive adapative reweighted sampling, CARS)算法采用5折交叉驗(yàn)證, 重復(fù)篩選特征波長(zhǎng)2 000次選擇最優(yōu)篩選結(jié)果, 最優(yōu)模型的近紅外光譜、 中紅外光譜及拉曼光譜數(shù)據(jù)篩選特征波長(zhǎng)個(gè)數(shù)分別為57、 216及134。 主要集中在近紅外光譜的4 000～5 500和6 000～7 000 cm-1波段, 中紅外光譜的3 000～3 600和800～1 500 cm-1波段, 拉曼光譜的1 000～1 500和2 800～3 200 cm-1波段。

1.5.2 樣品分組

將186份大米樣品按照產(chǎn)地定義為3類, 五常大米36份、 南方大米42份、 東北大米108份。 按照校正集∶驗(yàn)證集=3∶1的比例, 對(duì)樣品隔三取一分組以保證校正集數(shù)據(jù)的均勻性, 具體見表1。

表1 大米校正集和驗(yàn)證集樣本分組情況

1.5.3 數(shù)據(jù)融合技術(shù)

融合方式的選擇是數(shù)據(jù)融合技術(shù)的關(guān)鍵, 本研究采用數(shù)據(jù)層融合、 特征層融合及決策層融合3種融合方法。

數(shù)據(jù)層融合是將所有樣品的近紅外、 中紅外及拉曼光譜原始數(shù)據(jù)均采用5種方法進(jìn)行預(yù)處理, 將3種光譜相同預(yù)處理的數(shù)據(jù)逐個(gè)連接串聯(lián)成單個(gè)矩陣, 經(jīng)CARS算法提取5個(gè)光譜融合矩陣的特征波長(zhǎng), 篩選出來的5個(gè)特征矩陣結(jié)合KNN算法、 LDA算法和LS-SVM算法三種化學(xué)計(jì)量分析方法建立15個(gè)大米產(chǎn)地鑒別模型。

特征層融合是將所有樣品的近紅外、 中紅外及拉曼光譜原始數(shù)據(jù)均采用5種方法進(jìn)行預(yù)處理, 經(jīng)CARS算法提取15個(gè)預(yù)處理數(shù)據(jù)的特征波長(zhǎng), 將3種光譜相同預(yù)處理的特征信息串聯(lián)在單個(gè)矩陣中, 結(jié)合化學(xué)計(jì)量分析方法KNN、 LDA及LS-SVM算法建立15個(gè)大米產(chǎn)地鑒別模型。

決策層融合是將所有樣品的近紅外、 中紅外及拉曼光譜原始數(shù)據(jù)均采用5種方法進(jìn)行預(yù)處理得到15個(gè)光譜預(yù)處理矩陣, 經(jīng)CARS篩選矩陣的特征信息, 結(jié)合KNN、 LDA及LS-SVM算法建立單一光譜大米產(chǎn)地鑒別模型, 共計(jì)45個(gè)。 將近紅外光譜、 中紅外光譜及拉曼光譜模型的相同化學(xué)計(jì)量分析方法的預(yù)測(cè)結(jié)果集成到最終響應(yīng)中進(jìn)行多元線性回歸, 得到校正集及預(yù)測(cè)集的正確率。

2 結(jié)果與討論

2.1 光譜分析

近紅外光譜波數(shù)范圍在4 000～12 500 cm-1, 如圖2(a)所示, 在波段7 500～9 000 cm-1的峰為C—H的伸縮振動(dòng)峰, 在波數(shù)8 321 cm-1左右的吸收峰是由脂肪中的C—H伸縮振動(dòng)引起的; 6 846 cm-1處的吸收峰是由氨基酸的N—H不對(duì)稱振動(dòng)引起的; 4 000～5 500 cm-1波段吸收峰是C—H的第一組合頻區(qū), 其中4 700 cm-1表征的是大米樣品中糖類及蛋白質(zhì)含量[5], 5 200 cm-1附近的峰為O—H鍵, 表征水分含量。

圖2 三類大米樣品的平均原始光譜: 近紅外光譜(a)、 中紅外光譜(b)及拉曼光譜(c); 三類大米樣品的平均SNV+2nd預(yù)處理光譜圖: 近紅外光譜(d)、 中紅外光譜(e)及拉曼光譜(f)

拉曼光譜的波數(shù)范圍在50～4 000 cm-1, 如圖2(c)所示, 波數(shù)477 cm-1處的峰是由大米中淀粉的環(huán)骨架振礬和扭動(dòng)振動(dòng)形成; 波數(shù)1 082 cm-1處的峰表征了直鏈淀粉C—O—H的彎曲振動(dòng); 波數(shù)為1 124 cm-1處的峰為糖苷的C—O伸縮振動(dòng)和C—O—H彎曲變形振動(dòng); 在波數(shù)1 262 cm-1處的峰為蛋白質(zhì)的C—N伸縮振動(dòng); 在波數(shù)2 911 cm-1的峰為淀粉H—C—C和H—N—H伸縮振動(dòng)[9]。

2.2 近紅外、 中紅外及拉曼光譜鑒別模型的建立及驗(yàn)證

將近紅外光譜、 中紅外光譜及拉曼光譜分別結(jié)合KNN、 LDA及LS-SVM算法3種化學(xué)計(jì)量分析方法建立45個(gè)大米產(chǎn)地鑒別模型, 較優(yōu)模型鑒別結(jié)果如表2所示。 研究結(jié)果表明, 3種光譜技術(shù)均可對(duì)大米產(chǎn)地進(jìn)行識(shí)別和分析, 不同預(yù)處理方法對(duì)模型識(shí)別效果的影響均有差異。

表2 單一光譜模型的最優(yōu)鑒別結(jié)果

近紅外光譜大米產(chǎn)地鑒別模型中, LS-SVM算法結(jié)合SNV+2nd預(yù)處理方法模型最優(yōu), 其校正集和驗(yàn)證集識(shí)別正確率分別為95.71%和86.96%, 說明近紅外光譜法結(jié)合化學(xué)計(jì)量分析方法建立大米產(chǎn)地鑒別模型是可行的。 中紅外光譜大米產(chǎn)地鑒別模型中, LS-SVM算法結(jié)合1st預(yù)處理方法模型最優(yōu), 其校正集和驗(yàn)證集識(shí)別正確率分別為97.14%和91.30%, 其驗(yàn)證集正確率較近紅外光譜最優(yōu)模型提高了4.34%。 拉曼光譜大米產(chǎn)地鑒別模型中, LS-SVM算法結(jié)合SNV+2nd預(yù)處理方法模型最優(yōu), 其校正集和驗(yàn)證集識(shí)別正確率分別為100%和93.48%, 該模型驗(yàn)證集正確率較近紅外光譜和中紅外光譜最優(yōu)模型分別提高了6.52%和2.18%。

近紅外光譜最優(yōu)模型將3個(gè)五常大米樣品錯(cuò)誤識(shí)別為東北大米, 將2個(gè)東北大米樣品錯(cuò)誤識(shí)別為南方大米。 近紅外光譜主要記錄含氫集團(tuán)振動(dòng)的倍頻和合頻吸收, 而中紅外光譜為分子基頻振動(dòng)光譜, 可以獲得更多的大米樣品信息, 中紅外光譜最優(yōu)模型將1個(gè)五常大米樣品錯(cuò)誤識(shí)別為東北大米, 將1個(gè)南方大米樣品和2個(gè)東北大米樣品誤判為五常大米, 優(yōu)于近紅外光譜模型。 由于拉曼與紅外的機(jī)理不同, 紅外容易測(cè)定鏈上的取代基, 而拉曼光譜可以檢測(cè)與對(duì)稱中心有對(duì)稱關(guān)系的分子, 容易表征碳鏈振動(dòng), 適合研究高分子的骨架結(jié)構(gòu)。 其最優(yōu)模型將1個(gè)五常大米錯(cuò)誤識(shí)別為南方大米, 將1個(gè)南方大米和1個(gè)東北大米樣品錯(cuò)誤識(shí)別為五常大米, 優(yōu)于中紅外光譜模型。

結(jié)果表明, 3種光譜法均可建立大米產(chǎn)地鑒別模型且取得良好的效果, 3種化學(xué)計(jì)量分析方法中LS-SVM算法的模型鑒別正確率最高, 3種光譜法中拉曼光譜法最適合大米產(chǎn)地鑒別研究。 但是單一光譜模型驗(yàn)證集正確率均未達(dá)到100%, 無法達(dá)到快速準(zhǔn)確鑒別大米產(chǎn)地的需求。

2.3 數(shù)據(jù)融合鑒別模型的建立及驗(yàn)證

為進(jìn)一步提升大米產(chǎn)地鑒別模型的識(shí)別正確率, 將近紅外光譜、 中紅外光譜和拉曼光譜兩兩結(jié)合進(jìn)行數(shù)據(jù)層融合、 特征層融合及決策層融合, 建立大米產(chǎn)地鑒別模型。 結(jié)果表明, 中紅外光譜和拉曼光譜特征層融合的LS-SVM算法結(jié)合SNV+1st預(yù)處理方法模型最優(yōu), 較單一光譜最優(yōu)模型驗(yàn)證集正確率提高了2.17%, 但正確率未達(dá)到100%。 為進(jìn)一步實(shí)現(xiàn)對(duì)大米產(chǎn)地的精準(zhǔn)識(shí)別, 采用基于近紅外光譜-中紅外光譜-拉曼光譜的三種融合方法: 數(shù)據(jù)層融合、 特征層融合和決策層融合, 3種融合模型較優(yōu)結(jié)果如表3所示, 3種光譜信息特征層融合結(jié)合LS-SVM算法大米產(chǎn)地鑒別模型最優(yōu), 其校正集和驗(yàn)證集正確率均達(dá)到100%, 可以實(shí)現(xiàn)對(duì)五常大米、 東北大米和南方大米產(chǎn)地快速準(zhǔn)確的識(shí)別。

表3 數(shù)據(jù)融合模型驗(yàn)證結(jié)果

數(shù)據(jù)層融合大米產(chǎn)地鑒別模型中, LS-SVM算法結(jié)合SNV+2nd預(yù)處理方法模型和KNN算法結(jié)合SNV+1st預(yù)處理方法模型最優(yōu), 驗(yàn)證集正確率均達(dá)95.65%, 均誤判了1個(gè)五常大米和1個(gè)南方大米樣品。 LDA算法模型將3個(gè)南方大米樣品誤判為東北大米。 對(duì)比表2、 表3可知, 數(shù)據(jù)層融合最優(yōu)模型驗(yàn)證集正確率較單一光譜最優(yōu)模型提高了2.17%, 數(shù)據(jù)層融合直接對(duì)原始數(shù)據(jù)進(jìn)行融合處理, 最大限度的保留了原始信息, 不同數(shù)據(jù)源結(jié)合可以獲得更為全面的特征信息, 從而提高鑒別模型的識(shí)別正確率。 由于所采集的信息量大, 包含大量的無關(guān)信息, 噪聲信號(hào)多, 其模型識(shí)別正確率均未達(dá)到100%。

決策層融合大米產(chǎn)地鑒別模型中, 將五常大米、 南方大米以及東北大米樣品分別定義為數(shù)值1、 數(shù)值2及數(shù)值3, 定義預(yù)測(cè)結(jié)果在0.5～1.5范圍內(nèi)為五常大米, 1.5～2.5范圍內(nèi)為南方大米, 2.5～3.5范圍內(nèi)為東北大米。 LS-SVM算法結(jié)合SNV+1st預(yù)處理方法模型最優(yōu), 其驗(yàn)證集正確率為97.83%, 將1個(gè)五常大米樣品誤判為南方大米, 該模型校正集和驗(yàn)證集參考值和預(yù)測(cè)值關(guān)系如圖3所示。 KNN算法結(jié)合SNV+2nd預(yù)處理方法模型驗(yàn)證集正確率為95.65%, 將2個(gè)南方大米樣品誤判為東北大米。 決策層融合是建立在單一光譜模型的基礎(chǔ)上對(duì)最終的預(yù)測(cè)結(jié)果進(jìn)行綜合的決策, 抗干擾性強(qiáng), 其驗(yàn)證集正確率較單一光譜最優(yōu)模型提升了2.18%, 但均未達(dá)到100%。

圖3 決策層融合最優(yōu)模型校正集(a)和驗(yàn)證集(b)的參考值和預(yù)測(cè)值關(guān)系圖

特征層融合大米產(chǎn)地鑒別模型中, LS-SVM算法結(jié)合SNV+2nd預(yù)處理方法鑒別模型最優(yōu), 其校正集和驗(yàn)證集識(shí)別正確率均達(dá)100%。 特征層融合可以得到比決策層融合更為豐富的樣品初始信息, 對(duì)初始數(shù)據(jù)壓縮可以去除大量的干擾數(shù)據(jù), 具有較高的精度, 而決策層融合的精度較低會(huì)造成錯(cuò)誤判斷的概率增加, 特征層融合最優(yōu)模型較決策層融合最優(yōu)模型驗(yàn)證集正確率提高了2.17%。 KNN算法結(jié)合SNV+2nd預(yù)處理方法模型和LDA方法結(jié)合1st預(yù)處理方法模型驗(yàn)證集識(shí)別正確率均為95.65%, 各誤判了1個(gè)五常大米樣品。 特征層融合最優(yōu)模型較單一光譜最優(yōu)模型驗(yàn)證集正確率提高了6.52%, 可以滿足快速準(zhǔn)確檢測(cè)五常大米、 南方大米和東北大米產(chǎn)地的需求。

3 結(jié) 論

建立了基于近紅外光譜、 中紅外光譜以及拉曼光譜的大米產(chǎn)地鑒別模型。 比較了KNN算法、 LDA及LS-SVM算法對(duì)單一光譜模型的識(shí)別效果, 結(jié)果表明, 拉曼光譜法結(jié)合LS-SVM算法模型最優(yōu), 校正集和驗(yàn)證集正確率分別為100%和93.48%。 為進(jìn)一步提升鑒別模型的準(zhǔn)確度, 將3種光譜兩兩結(jié)合進(jìn)行數(shù)據(jù)層融合、 特征層融合及決策層融合, 建立大米產(chǎn)地鑒別模型。 結(jié)果表明, 特征層融合結(jié)果中LS-SVM算法結(jié)合SNV+1st預(yù)處理方法模型最優(yōu), 其校正集和驗(yàn)證集的正確率分別為100%和95.65%。 為實(shí)現(xiàn)對(duì)大米產(chǎn)地的準(zhǔn)確識(shí)別, 創(chuàng)新性的建立了3種光譜的數(shù)據(jù)層融合、 特征層融合及決策層融合大米產(chǎn)地鑒別模型, 綜合比較3種層次的數(shù)據(jù)融合方法, 特征層融合產(chǎn)地鑒別模型中, LS-SVM算法結(jié)合SNV+2nd預(yù)處理方法鑒別模型最優(yōu), 其校正集和驗(yàn)證集識(shí)別正確率均達(dá)到100%, 較單一光譜最優(yōu)模型驗(yàn)證集正確率提高了6.52%。 研究結(jié)果表明, 3種層次的分子光譜信息融合模型識(shí)別正確率較單一光譜模型大大提升, 其中特征層融合方法更適用于本次融合的數(shù)據(jù)類型, 可以快速準(zhǔn)確鑒別五常大米、 南方大米和東北大米產(chǎn)地。 本研究為大米產(chǎn)地的快速準(zhǔn)確鑒別提供了一種新方法。